source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-144.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 156652 objects.
Mean distance to the closest unit in the map: 0.122.
plot(model, type="changes")
df <- mpr.load_data("datos_semana_2k.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:156652 Length:156652 Min. : 1.00 Min. :-109.0
Class :character Class :character 1st Qu.:13.00 1st Qu.: 147.0
Mode :character Mode :character Median :27.00 Median : 201.0
Mean :26.53 Mean : 202.1
3rd Qu.:40.00 3rd Qu.: 262.0
Max. :53.00 Max. : 442.0
tmin precip nevada prof_nieve
Min. :-189.00 Min. : 0.00 Min. :0 Min. : 0.000
1st Qu.: 48.00 1st Qu.: 0.00 1st Qu.:0 1st Qu.: 0.000
Median : 98.00 Median : 3.00 Median :0 Median : 0.000
Mean : 98.13 Mean : 16.92 Mean :0 Mean : 0.604
3rd Qu.: 152.00 3rd Qu.: 20.00 3rd Qu.:0 3rd Qu.: 0.000
Max. : 272.00 Max. :690.00 Max. :0 Max. :1073.000
longitud latitud altitud
Min. :27.82 Min. :-17.889 Min. : 1.0
1st Qu.:39.01 1st Qu.: -4.850 1st Qu.: 44.0
Median :41.22 Median : -1.411 Median : 263.0
Mean :40.05 Mean : -2.426 Mean : 478.5
3rd Qu.:42.19 3rd Qu.: 1.272 3rd Qu.: 687.0
Max. :43.57 Max. : 4.216 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
49 46 65 53 48 47 29 26 43 59 66 72 134 75 67 118
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
76 61 53 22 11 55 45 40 34 26 15 17 35 22 64 43
33 34 35 36 37 38 39 40 41 42 44 45 46 47 48 49
52 93 62 61 72 58 73 66 83 38 40 60 67 67 76 73
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65
54 44 64 69 33 46 73 65 79 86 109 66 105 130 38 87
66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81
128 75 55 86 82 47 94 35 48 46 37 24 38 38 52 68
82 83 84 85 86 87 88 89 91 92 93 94 95 96 97 98
89 51 99 75 72 74 25 60 81 77 43 61 81 63 79 36
99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
65 59 72 68 63 56 64 94 30 30 70 136 52 56 49 83
115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130
84 132 120 91 46 100 91 73 55 35 33 14 52 18 61 47
131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146
68 51 43 91 66 96 91 83 91 75 68 33 40 64 61 62
147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
73 74 79 36 24 86 40 60 54 53 47 51 28 106 90 61
163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178
109 53 83 49 59 63 79 63 74 123 93 48 18 43 35 51
179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194
23 55 34 31 77 62 35 43 68 43 56 69 88 79 71 62
195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210
78 59 33 81 60 82 57 45 44 63 45 34 35 75 79 35
211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226
90 54 144 68 74 67 75 103 73 117 80 82 40 42 48 64
227 228 229 230 231 232 233 234 235 236 238 239 240 241 242 243
64 77 98 52 64 63 52 27 32 99 36 77 40 111 67 73
244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259
45 65 22 59 69 76 64 37 51 64 55 48 65 44 45 97
260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275
99 107 100 92 83 45 103 83 62 88 102 102 48 86 44 47
276 277 278 279 280 281 282 283 284 285 286 287 289 290 291 292
40 90 59 74 71 89 58 46 47 61 76 115 62 36 75 69
293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308
68 46 47 64 58 72 29 50 55 70 76 53 50 47 33 49
309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324
91 77 57 91 80 66 92 52 110 55 100 92 65 74 41 61
325 326 327 328 329 330 331 332 333 334 335 336 338 339 340 341
56 73 86 110 72 80 78 57 61 46 58 30 37 71 78 49
342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357
66 75 56 66 69 49 29 67 46 29 56 62 75 48 36 62
358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373
33 118 67 73 62 55 74 98 54 25 59 63 55 58 53 34
374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389
80 97 136 92 133 95 94 34 49 42 50 61 34 50 38 34
390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405
52 63 34 49 50 42 44 39 54 22 51 59 52 47 95 56
406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421
60 33 83 66 48 91 37 81 69 66 28 93 78 61 68 32
422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437
59 104 46 59 71 56 64 34 98 76 58 50 44 44 28 51
438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453
41 56 43 56 41 30 17 36 42 34 55 32 37 12 67 69
454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469
70 58 48 75 105 59 42 77 87 65 46 47 47 98 47 52
470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485
64 27 58 40 55 48 62 37 40 27 73 40 30 31 25 46
486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501
47 54 56 63 82 26 33 34 42 35 28 29 14 26 26 61
502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517
82 74 91 118 97 139 75 55 75 58 68 60 101 105 53 84
518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533
76 79 38 35 47 35 39 54 57 36 74 37 41 28 46 28
534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549
20 45 45 61 68 47 31 38 72 54 40 20 20 22 29 36
550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565
15 60 57 58 54 71 61 113 81 68 47 36 67 80 25 47
566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581
90 82 79 77 66 60 65 79 61 114 63 79 59 98 51 66
582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597
31 55 43 73 51 50 69 55 75 60 66 80 43 46 49 33
598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613
18 17 10 48 27 41 93 85 83 57 102 75 70 93 96 59
614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629
95 54 81 77 48 56 75 68 44 45 74 47 36 66 164 95
630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645
67 63 56 32 17 38 72 58 50 129 80 54 55 46 9 39
646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661
32 20 19 16 9 52 54 41 100 96 75 65 66 42 95 92
662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677
93 88 74 52 53 47 80 94 58 68 53 70 72 71 60 44
678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693
103 119 70 45 51 43 44 44 53 50 65 25 88 56 63 31
694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709
45 50 31 15 26 11 14 49 73 73 86 106 36 68 59 49
710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725
56 56 46 111 63 69 40 34 89 36 69 48 81 57 40 66
726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741
53 68 69 93 76 53 54 74 43 48 62 60 41 50 75 50
742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757
24 38 69 47 23 51 26 16 14 76 56 61 44 67 58 71
758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773
89 81 37 78 62 81 75 73 59 39 56 76 68 75 64 85
774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789
46 89 42 55 89 96 91 36 41 35 41 58 59 50 41 48
790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805
43 72 60 57 65 89 53 39 26 5 28 78 83 67 64 60
806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821
49 101 69 80 76 57 77 82 76 73 72 50 60 47 66 65
822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837
96 95 49 92 67 63 51 72 52 47 44 18 41 49 67 41
838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853
27 103 56 54 55 63 72 56 36 38 25 39 31 68 57 85
854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869
96 68 87 96 57 41 87 57 77 93 65 56 77 58 64 45
870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885
45 49 64 93 95 91 104 48 52 57 70 118 47 53 29 57
886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901
53 40 42 76 56 55 46 41 69 63 44 29 83 53 36 55
902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917
65 58 50 77 80 91 83 83 76 83 95 66 53 44 40 71
918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933
51 31 42 38 61 86 92 55 50 74 64 54 53 81 65 111
934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949
47 68 60 63 52 75 53 80 50 69 37 37 17 18 23 24
950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965
28 109 94 60 89 128 99 92 45 87 95 58 53 60 25 58
966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981
34 41 46 31 41 52 44 88 81 63 102 92 63 57 62 121
982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997
91 63 36 27 85 55 44 85 54 66 47 44 37 59 31 68
998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013
16 31 31 131 113 82 85 81 102 54 53 73 41 99 61 49
1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029
74 79 35 42 40 27 19 32 37 97 94 81 131 89 74 56
1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045
44 99 63 44 61 72 75 77 63 58 55 51 47 36 59 43
1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061
47 20 42 33 21 105 65 78 70 47 76 48 50 41 76 76
1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077
72 87 86 59 73 61 61 52 21 17 54 84 90 64 56 97
1078 1079 1080 1081 1082 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094
102 79 44 28 46 42 78 87 52 65 54 81 49 90 63 31
1095 1096 1097 1098 1099 1100 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111
55 33 44 41 38 38 102 90 108 82 71 39 56 54 68 83
1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127
126 79 73 78 63 55 40 41 29 45 50 54 81 42 144 99
1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143
70 42 52 32 48 73 93 113 91 106 82 84 66 61 55 28
1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159
49 62 46 89 28 38 32 95 67 83 105 114 73 33 77 60
1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175
40 38 64 72 82 96 53 43 59 28 27 46 40 57 53 42
1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191
113 108 63 44 86 54 74 52 58 51 73 90 72 77 91 41
1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1208
27 51 65 68 21 40 33 63 46 112 62 86 30 93 68 62
1209 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225
75 89 79 77 90 56 57 57 54 62 65 34 61 81 50 104
1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241
79 110 42 65 87 76 61 40 40 143 85 65 90 146 81 44
1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257
65 61 51 52 62 51 44 51 56 95 92 31 50 52 50 45
1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273
73 75 54 95 61 120 93 51 60 53 30 78 88 100 43 70
1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289
60 77 68 70 93 59 106 102 81 94 104 101 48 73 66 81
1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305
130 99 85 62 79 51 77 73 62 59 77 62 75 53 89 102
1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321
45 80 67 41 90 32 52 61 51 96 64 74 65 78 104 83
1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337
61 56 71 60 73 94 58 81 99 62 57 63 56 63 51 66
1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353
72 73 54 61 75 58 69 60 37 34 50 79 58 102 73 79
1354 1355 1356 1357 1358 1359 1360 1361 1363 1364 1365 1366 1367 1368 1369 1370
94 88 61 76 70 82 63 86 73 87 97 56 59 57 67 89
1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386
50 64 60 28 41 67 90 59 54 58 49 81 63 99 97 75
1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402
55 79 91 79 71 67 75 82 70 52 42 45 64 69 126 72
1403 1404 1405 1406 1407 1408 1409 1412 1413 1414 1415 1416 1417 1418 1419 1420
122 94 85 72 73 90 77 44 73 78 58 71 98 69 49 29
1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436
55 70 76 52 36 67 96 68 42 76 43 48 48 65 53 57
1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452
107 100 42 66 81 45 82 40 40 40 46 73 83 50 95 76
1453 1454 1455 1456 1457 1458 1459 1461 1462 1463 1464 1465 1466 1467 1468 1469
113 109 104 58 73 57 55 72 122 76 83 80 48 71 75 81
1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485
48 89 75 56 48 62 80 53 74 47 50 90 75 61 35 74
1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1504
52 39 76 65 47 60 39 73 63 39 57 59 64 65 62 110
1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520
98 49 53 60 85 50 92 136 90 67 52 90 88 74 70 76
1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536
64 74 51 55 62 109 73 54 66 36 79 74 57 43 80 54
1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552
81 85 62 53 63 73 83 65 66 53 75 74 68 50 96 40
1553 1556 1557 1558 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570
122 90 86 104 91 29 72 51 51 33 65 68 66 92 95 71
1571 1572 1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586
49 49 80 63 66 51 64 46 55 76 66 65 61 88 36 80
1587 1588 1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602
67 85 54 47 67 65 54 26 73 61 44 58 60 50 27 46
1603 1604 1607 1608 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620
113 97 97 92 92 52 57 89 139 65 54 58 115 83 104 63
1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636
79 52 85 78 75 53 51 93 44 85 72 41 41 37 75 57
1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653
90 46 57 64 61 53 39 72 58 76 75 81 65 76 92 95
1654 1655 1656 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670
55 119 129 84 73 136 81 67 75 59 60 55 65 79 48 77
1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686
91 72 33 38 46 101 67 46 44 39 85 64 66 90 70 88
1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702
99 79 46 108 92 62 68 57 40 51 56 63 87 85 75 101
1703 1704 1705 1706 1708 1709 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719
116 62 60 67 89 106 121 65 60 91 61 99 103 83 87 57
1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735
79 75 109 76 112 46 52 78 56 33 63 52 61 79 55 64
1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751
61 43 64 47 100 60 56 70 57 53 78 73 65 77 103 79
1752 1753 1754 1755 1756 1757 1759 1760 1761 1762 1763 1764 1765 1766 1767 1768
43 48 127 75 40 82 53 116 74 81 70 99 90 55 56 94
1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784
95 40 84 81 85 58 63 73 82 55 43 43 43 84 118 35
1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800
75 65 64 61 75 90 49 50 66 65 50 49 64 54 75 53
1801 1802 1803 1804 1805 1806 1807 1809 1810 1811 1812 1813 1814 1815 1816 1817
71 90 81 90 30 83 68 62 33 96 61 37 46 45 57 90
1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833
89 82 51 85 89 63 31 64 86 58 47 73 70 45 119 70
1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849
56 50 47 38 39 64 65 81 56 62 55 27 69 73 58 48
1850 1851 1852 1853 1854 1855 1856 1857 1858 1860 1861 1862 1863 1864 1865 1866
68 50 60 95 99 72 92 101 17 60 81 78 57 58 57 111
1867 1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882
68 55 80 94 51 84 87 24 67 73 78 76 40 66 87 66
1883 1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1898
59 61 52 31 35 36 44 76 67 53 96 74 65 113 33 50
1899 1900 1901 1902 1903 1904 1905 1906 1907 1908 1910 1911 1912 1913 1914 1915
44 90 33 42 87 55 115 60 81 76 102 113 76 48 68 98
1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931
77 69 43 47 81 48 74 80 66 89 79 60 76 57 67 79
1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947
110 74 81 75 78 77 39 55 51 62 62 67 28 43 72 93
1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1961 1962 1963 1964
75 57 103 18 22 93 89 125 42 53 130 46 101 86 106 59
1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980
82 46 65 57 43 41 69 84 84 65 46 77 21 74 36 49
1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996
75 103 82 82 46 104 65 33 48 65 53 69 70 40 36 87
1997 1998 1999 2000 2001 2002 2004 2005 2006 2007 2008 2009 2011 2012 2013 2014
90 82 63 83 17 18 73 139 56 56 111 71 81 59 87 85
2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030
73 30 39 61 63 72 86 88 110 121 47 96 99 76 78 63
2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043 2044 2045 2046
63 98 88 77 63 53 48 22 36 33 57 63 28 56 67 59
2047 2048 2049 2050 2051 2052 2053 2055 2056 2057 2058 2059 2060 2062 2063 2064
76 63 32 64 13 15 47 90 94 117 75 123 59 69 76 74
2065 2066 2067 2068 2069 2070 2071 2072 2073 2074 2075 2076 2077 2078 2079 2080
54 83 38 47 88 102 70 105 101 75 99 125 115 74 65 39
2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2091 2092 2093 2094 2095 2096
32 67 88 53 45 63 58 43 28 22 41 52 53 38 40 72
2097 2098 2099 2100 2101 2102 2103 2105 2106 2107 2108 2109 2110 2112 2113 2114
80 65 17 32 8 31 66 91 102 110 75 87 33 70 82 88
2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130
91 61 31 43 47 61 64 108 67 61 68 65 88 127 92 65
2131 2132 2133 2134 2135 2136 2137 2138 2139 2140 2141 2142 2143 2144 2145 2146
67 70 66 66 91 55 52 61 30 33 39 34 34 50 30 43
2147 2148 2149 2150 2151 2153 2154 2156 2157 2158 2159 2160 2161 2163 2164 2165
52 47 82 51 125 40 73 80 93 97 122 81 78 80 73 73
2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181
88 55 94 102 63 73 37 65 60 75 76 73 69 77 64 67
2182 2183 2184 2185 2186 2187 2188 2189 2190 2191 2192 2193 2194 2195 2196 2197
59 38 83 81 44 76 59 28 34 43 19 37 48 50 33 30
2198 2199 2200 2201 2203 2204 2206 2207 2208 2209 2210 2212 2213 2214 2215 2216
40 36 43 98 75 42 80 50 64 88 120 43 43 72 59 89
2217 2218 2219 2220 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232
50 58 99 94 41 80 91 64 63 84 111 84 48 68 57 56
2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248
70 97 81 61 62 45 39 52 33 50 46 34 23 50 75 70
2249 2250 2251 2252 2254 2255 2257 2258 2259 2260 2262 2263 2264 2265 2266 2267
70 45 85 82 77 35 93 75 88 103 28 55 70 57 95 116
2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281 2282 2283
53 56 101 49 40 61 37 50 46 102 59 55 50 46 62 58
2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297 2298 2299
83 59 52 61 54 48 63 68 61 31 42 31 63 57 67 93
2300 2301 2302 2304 2305 2306 2307 2308 2309 2311 2312 2313 2314 2315 2316 2317
67 95 102 95 84 35 38 26 35 38 63 50 73 92 48 102
2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329 2330 2331 2332 2333
73 94 76 115 81 62 102 54 78 71 57 74 58 36 41 75
2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348 2349
91 64 60 50 47 34 71 38 42 12 29 68 79 91 88 102
2350 2351 2352 2353 2355 2356 2358 2359 2361 2362 2363 2364 2365 2366 2367 2368
76 98 104 88 35 73 54 53 36 82 30 47 63 77 135 77
2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382 2383 2384
59 51 119 91 95 90 97 79 73 63 39 47 51 66 36 66
2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398 2399 2400
74 63 87 35 62 55 52 62 33 39 31 76 60 88 88 65
2401 2402 2403 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417
79 70 37 61 19 45 27 19 38 39 32 51 61 66 62 55
2418 2419 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433
75 52 83 55 71 83 102 102 85 99 37 62 90 86 67 72
2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448 2449
30 46 30 58 37 38 60 57 53 14 32 74 108 71 82 43
2450 2451 2452 2453 2455 2456 2457 2458 2459 2461 2462 2463 2464 2465 2466 2467
61 27 9 13 104 41 27 12 8 34 23 41 53 45 48 33
2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483
58 45 46 53 68 52 88 59 50 57 66 56 56 75 48 80
2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499
104 106 74 69 58 57 57 64 93 39 14 43 56 95 23 31
2500
64
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2449 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("fecha_cnt", "tmax", "tmin", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)